BUG: ufunc outer rejects Python scalar and sequence operands

Aperta Adatta ai principianti
#1,006 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 2 giorni

@nawaaaaaAaar ci sta già lavorando.

Dal 22/10/2026.

  • #1011 di @nawaaaaaAaar — aperta

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
76/100
Tipo di issue
Bug
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
numpy, python
Ambito
backend, databases

Direzione di ricerca

Parti dal dispatch della ufunc sparse outer e riproduci gli esempi con sparse.COO e np.multiply.outer. Controlla i test esistenti delle operazioni outer, poi aggiungi casi di regressione per scalari e sequenze Python in entrambi gli ordini degli operandi; il lavoro è concluso quando questi casi passano senza densificare l’operando sparse.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Bug

NumPy ufunc outer operations with sparse arrays fail for Python scalar and sequence operands, although equivalent NumPy scalar/array operands work.

Reproduced on main at d63255057744331b96626a1f1c24504b3a3783cd.

import numpy as np
import sparse

x = sparse.COO.from_numpy(np.array([0, 2, 0]))
np.multiply.outer(x, 2)
# TypeError: 'int' object is not subscriptable

np.multiply.outer(x, [1, 2])
# TypeError: list indices must be integers or slices, not tuple

Both operand orders are affected. The outer dispatch assumes every dense operand already supports NumPy tuple indexing and has array metadata. Normalizing only non-sparse operands to NumPy arrays before expanding dimensions avoids densifying the sparse operand.

A two-line fix and regression coverage are ready. Eight new cases fail before the production change. Coverage includes Python and NumPy scalars, lists, tuples and nested lists in both operand orders.

This is an AI-assisted bug investigation with locally executed reproductions and tests. No assignment is requested.

Lingua principale
Python
Stelle
670
Fork
167
Merge medio
3g 4h
PR unite (30g)
7

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di pydata/sparse

Tutte le issue di pydata/sparse

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.